xAI 发布 Grok Voice 2.0：边说边推理，首音延迟降至 0.7 秒

如果你给客服打过电话，大概经历过这种折磨：电话那头的 AI 反应慢半拍，背景噪音一大就装聋，或者说起话来像个没有感情的复读机。

xAI 刚发布的 Grok Voice 2.0，瞄准的就是这些现实里的尴尬场景。这不是简单的文本转语音拼接，而是一个端到端的原生语音模型。

边说话边思考，响应压到 0.7 秒

根据第三方评测机构 Artificial Analysis 的数据，Grok Voice 2.0 在端到端语音质量综合指数上拿到了 82.9%，超过了 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。

最直观的变化在速度。新模型生成首个音频的时间只有 0.70 秒，相比上一代 Grok Voice 1.0 的 1.25 秒快了将近一倍，而 Gemini 3.1 Flash 在这项测试中需要 2.98 秒。

xAI 给这个模型加了一项绝活：边开口说话边在后台推理。很多模型做复杂逻辑判断必须先想后说，导致卡顿；Grok Voice 2.0 则是并行处理，在说出第一句话的时候，背后的工具调用往往就已经执行完了。

转录识别能力也有明显提升。官方在 24 种语言测试中发现，它的短语转录准确度比专用的 Deepgram Nova 3 和 ElevenLabs Scribe v2 好上 1.5 到 2.0 倍。如果遇上电话压缩或者嘈杂背景，差距甚至拉大到了 10 倍左右。

说话更像真人，已经偷偷上线打工

为了让聊天不那么机械，xAI 用大量强化学习调整了它的说话习惯。它现在的表现是句子更短、一次只问一个问题，尽量不扯废话。

其实在正式发布前，这套模型就已经在马斯克自家的业务里跑起来了。在 Starlink 的客服热线测试中，换上 Grok Voice 2.0 后，销售转化率和服务闭环率都有明显上涨。

价格方面，Grok Voice 2.0 定在每分钟音频 0.08 美元。8 月 5 日开始，默认的 grok-voice-latest 接口就会直接切到新模型，开发者不用改现有的 prompt。

为什么重要

我们认为，端到端语音交互正在从「好玩的玩具」变成「能算清账的生意」。之前很多开发者做语音助手，要串联转录、大模型推理、语音合成三套管道，延迟动辄两三秒，电话那头的人早就挂断了。

Grok Voice 2.0 把首字音频延迟压到 0.7 秒，同时把杂音识别提高 10 倍，这直接击中了电话客服和线下硬件最大的痛点。Starlink 电话线上的真实测试数据，也给企业级部署提供了一个很有分量的参考。

不过 0.08 美元一分钟的价格虽然透明，但折算下来一小时大约要 4.8 美元，对于需要长时间高频通话的业务，成本依然不低。但看起来，在真实对话质量和执行效率这条线上，xAI 已经把压力给到了 OpenAI 和 Google。